具有成员映射的可迁移差分隐私深度学习
机器学习
2022-04-29 v6 人工智能
密码学与安全
摘要
本文研究差分隐私半监督迁移与多任务学习问题。基于测度论基础发展了“成员映射”这一概念，通过模糊隶属函数学习数据表示。为实现可迁移深度学习，考虑了一种深度自编码器的替代构想，称为“条件深度成员映射自编码器（CDMMA）”。在面向实际的设定下，可通过变分优化推导出 CDMMA 学习的解析解。本文提出一种迁移与多任务学习方法，将 CDMMA 与定制的加噪机制相结合，以最小的数据扰动实现给定级别的隐私损失界。利用 MNIST、USPS、Office 和 Caltech256 数据集进行了大量实验，验证了所提方法具有竞争力的鲁棒性能。
引用
@article{arxiv.2105.04615,
title = {Differentially Private Transferrable Deep Learning with Membership-Mappings},
author = {Mohit Kumar},
journal= {arXiv preprint arXiv:2105.04615},
year = {2022}
}
备注
arXiv admin note: substantial text overlap with arXiv:2104.07060